2026年有研科技数据分析面试题集

2026年有研科技数据分析面试题集一、数据清洗与预处理（3题，每题10分）1.题目：某次实验采集了有研科技某新型材料在高温环境下的应力数据，原始数据中存在缺失值、异常值和重复记录。请描述你将如何进行数据清洗，并说明每种情况的具体处理方法。答案：数据清洗是数据分析的基础步骤，针对缺失值、异常值和重复记录，可采用以下方法：-缺失值处理：-对于数值型数据，可使用均值、中位数或众数填充；若缺失比例高，考虑删除该样本或使用模型预测填充（如KNN）。-对于分类数据，可使用众数填充或引入“未知”类别。-异常值处理：-通过箱线图或3σ原则识别异常值，可使用均值/中位数替换、截断法（如将超出95%分位数的值设为该分位数）或删除。-结合业务背景判断是否为真实异常（如极端实验条件下的数据）。-重复记录处理：-通过唯一标识符（如时间戳+设备ID）检测重复，删除多余记录；若无唯一标识符，可合并重复字段后保留一条。解析：考察对数据质量问题的系统性处理能力，需结合业务场景灵活选择方法，避免过度处理导致信息损失。2.题目：有研科技某产品线销售数据中，部分订单金额记录为0或负数，可能由于系统错误或特殊促销活动导致。请设计一个清洗方案，并说明如何验证清洗效果。答案：-清洗方案：-识别异常订单：筛选金额≤0的记录，结合订单时间、产品类型和促销活动记录判断原因。-若为系统错误，直接删除或修正；若为促销活动（如“买一送一”），需补充业务说明，保留数据但标注来源。-建议使用规则：金额=0且非促销活动→删除；金额≤0且标注促销→保留。-验证方法：-绘制金额分布图（如直方图）对比清洗前后差异，确保异常值比例显著下降。-检查清洗后数据的业务逻辑合理性（如无负金额订单、促销标注准确）。解析：重点考察异常值处理中的业务结合能力，需明确“0值”的多样性并分层处理。3.题目：有研科技某设备运行日志中存在时间戳格式不一致（如“2026-01-0112:00”“01/01/202612:00”）和时区错误的情况。请提出标准化方案。答案：-时间格式统一：-使用Python的`pandas.to_datetime()`自动识别并转换为统一格式（如`YYYY-MM-DDHH:MM:SS`）。-若存在混合分隔符，先替换为`-`（如`01/01/2026`→`2026-01-01`）。-时区修正：-根据设备所在地（如北京为`UTC+8`）统一转换，若日志未标注时区，默认使用公司标准时区。-使用`pytz`库处理夏令时问题（若适用）。-验证：-检查时间列的`dtype`是否为`datetime64`，抽查原始与清洗后数据对比。解析：考察时间序列数据的基础处理能力，需掌握工具（如`pandas`）和时区知识。二、统计与描述性分析（4题，每题10分）1.题目：有研科技某材料在3种不同温度下的断裂强度数据如下：[85,88,90,87,92]，请计算均值、中位数、方差，并解释这些指标对材料性能评估的意义。答案：-计算：-均值：`(85+88+90+87+92)/5=88.4`-中位数：排序后第3项`90`-方差：`[(85-88.4)²+(88-88.4)²+...]/5=8.96`-意义：-均值反映平均水平，温度越高强度越高。-中位数抗异常值干扰，适合数据波动大的场景。-方差衡量稳定性，方差大说明强度波动剧烈，需优化工艺。解析：考察基础统计量的计算与解读能力，需结合材料科学中强度数据的实际意义。2.题目：有研科技某产品月度销量数据呈正态分布，标准差为20。若某月销量为50，是否属于异常值？如何验证？答案：-判断：-正态分布中约68%数据在`μ±σ`内，95%在`μ±2σ`内。若`μ=80`（假设），50偏离均值达1.5σ，可初步判定为异常。-验证：-使用Z-score：`|50-80|/20=1.5`，P(Z>1.5)=0.067，概率较低（但未绝对排除）。需结合历史数据确认是否为促销期等特殊情况。解析：考察正态分布异常值检测的统计方法，需注意“边缘异常值”的判断。3.题目：有研科技某设备故障记录显示，A型设备故障间隔时间（MTBF）为1000小时，B型设备为1500小时。请问哪个设备更可靠？如何量化差异？答案：-可靠性判断：-MTBF越高越可靠，B型优于A型。-量化差异：-使用故障率（λ=1/MTBF）：A型λ=0.001次/小时，B型λ=0.00067次/小时。-差异率：`|0.001-0.00067|/0.001=33%`，B型故障率低33%。解析：考察可靠性指标的对比分析，需从概率角度解释差异而非简单数值比较。4.题目：有研科技某季度客户满意度调查数据如下：-非常满意：40%-满意：35%-一般：20%-不满意：5%请计算满意度指数（使用加权平均法）。答案：-计算：-非常满意（5分）：`0.45=2`-满意（4分）：`0.354=1.4`-一般（3分）：`0.23=0.6`-不满意（2分）：`0.052=0.1`-总指数：`2+1.4+0.6+0.1=4.1`（满分5分）-解读：-满意度指数4.1说明客户整体较满意，但仍有提升空间。解析：考察多级分类数据的量化计算，需明确评分标准的权重分配。三、数据可视化与报告（3题，每题10分）1.题目：有研科技某产品线各区域销售额占比数据如下：华东（30%）、华南（25%）、华北（20%）、西部（15%）、其他（10%）。请设计两种可视化图表，并说明选择理由。答案：-图表1：饼图-理由：适合展示部分与整体关系，直观体现华东占比最高（30%）。-图表2：柱状图-理由：可按区域排序比较（如华东>华南>华北），适合多类别数据排序。-补充建议：-柱状图可加百分比标签，饼图建议用不同颜色区分大区。解析：考察图表选择能力，需结合数据类型（分类占比）和业务目标（比较或分布）。2.题目：有研科技某材料在4种工艺下的强度数据（均值、标准差）如下表：|工艺|均值|标准差||||--||A|90|5||B|88|3||C|92|8||D|85|2|请设计一个组合图表展示结果。答案：-组合图表：柱状图+误差线-柱状图展示均值（工艺C最高），误差线表示标准差（工艺C波动最大）。-要点：-Y轴左侧为均值刻度（0-100），右侧为标准差刻度（0-10）。-图例明确区分均值与标准差。解析：考察复合图表设计能力，需同时表达集中趋势和离散程度。3.题目：有研科技某产品线上架时间与销量数据如下表，请设计一个趋势图并分析关系。|月份|上架时间|销量（万件）|||-|--||1|8:00|120||2|9:00|150||3|7:30|180||4|10:00|160|答案：-趋势图：折线图（销量随月份变化）-X轴为月份，Y轴为销量，标注上架时间变化（如3月提前至7:30销量激增）。-分析：-销量总体上升（120→180），但波动明显，可能与上架时间调整有关（如早上市销量更高）。建议进一步分析时间窗口与销量的相关性。解析：考察时间序列关联性分析，需从图表中挖掘潜在业务规律。四、SQL与数据库查询（3题，每题10分）1.题目：有研科技数据库中有`sales`（订单表，字段：`order_id`、`product_id`、`amount`、`order_date`）和`products`（产品表，字段：`product_id`、`product_name`、`category`）。请查询2026年1月销售额最高的产品类别。答案：sqlSELECTcategory,SUM(amount)AStotal_salesFROMsalessJOINproductspONduct_id=duct_idWHEREYEAR(order_date)=2026ANDMONTH(order_date)=1GROUPBYcategoryORDERBYtotal_salesDESCLIMIT1;-解释：-`YEAR/MONTH`筛选时间，`JOIN`关联产品类别，`SUM`聚合类别销售额，`ORDERBYDESC`排序取最大值。解析：考察多表连接与条件聚合能力，需注意时间字段处理。2.题目：有研科技`users`表（字段：`user_id`、`reg_date`、`last_login`）中存在未登录用户（`last_login`为NULL）。请查询最近30天活跃用户中，首次登录日期最早和最晚的用户ID。答案：sqlSELECTuser_id,reg_dateFROMusersWHERElast_loginISNOTNULLANDlast_login>=DATE_SUB(CURDATE(),INTERVAL30DAY)ORDERBYreg_dateASC,user_idASCLIMIT1UNIONALLORDERBYreg_dateDESC,user_idDESCLIMIT1;-解释：-筛选最近30天活跃用户，按`reg_date`升序取最早，降序取最晚。`UNIONALL`合并结果。解析：考察日期条件查询与边界值提取，需注意SQL排序规则。3.题目：有研科技`orders`表（字段：`order_id`、`customer_id`、`status`，`status`值为'完成'、'取消'等）。请统计各状态订单的平均金额（仅统计已完成的订单）。答案：sqlSELECTstatus,AVG(amount)ASavg_amountFROMordersWHEREstatus='完成'GROUPBYstatus;-解释：-`WHERE`过滤状态，`AVG`计算金额，`GROUPBY`按状态分组。解析：考察条件聚合基础操作，需明确业务需求（仅统计完成订单）。五、机器学习与预测（2题，每题10分）1.题目：有研科技某材料强度数据包含温度、压力、湿度等特征，请设计一个回归模型预测强度，并说明如何评估模型效果。答案：-模型选择：-线性回归（若特征线性相关）或梯度提升树（如XGBoost，处理非线性关系）。-评估指标：-MSE/RMSE（误差越小越好），R²（越接近1拟合越好）。-交叉验证（如K折）防止过拟合。解析：考察回归模型选择与评估能力，需结合数据特性选择算法。